MétaCan
Menu
Retour à la cohorte
Enregistrement W2772569218 · doi:10.2495/sc170501

CLIMATE CHANGES AND DRINKING WATER IN SUSTAINABLE CITIES: IMPACTS AND ADAPTATION

2017· article· en· W2772569218 sur OpenAlexaffabout
Manuel J. Rodríguez, Ianis Delpla

Notice bibliographique

RevueWIT transactions on ecology and the environment · 2017
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueWater Treatment and Disinfection
Établissements canadiensUniversité Laval
Organismes subventionnairesnon disponible
Mots-clésExploitClimate changeWater resourcesEnvironmental scienceWater qualityEnvironmental planningBusinessWater supplyPrecipitationWater resource managementEnvironmental resource managementSustainable developmentQuality (philosophy)Adaptation (eye)Natural resource economicsEnvironmental engineeringGeographyComputer scienceMeteorology

Résumé

récupéré en direct d'OpenAlex

Planning and management of sustainable cities must consider the impacts of climate changes on urban water resources.There is a growing concern about how climate changes affect the quality of drinking water from the catchment to the citizen's tap.Changes in precipitation and temperature patterns can have effects on quality of water sources and on the capacity of water treatment and distribution infrastructure to respond with such changes.We present herein a research program that investigates the potential impacts of climate change scenarios on source and drinking water quality.The research methodology is based on a modelling framework that exploit datasets from Canadian cities concerning land use, source and tap water quality, water infrastructure and operations, and estimations on future changes on water temperature and local rainfall.The paper concludes with the initiatives that municipalities must conduct in order to implement sustainable strategies for adapting to climate changes regarding drinking water resources.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,252
Score d'incertitude au seuil0,501

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,004
Études des sciences et des technologies0,0010,002
Communication savante0,0030,002
Science ouverte0,0000,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,008
Tête enseignante GPT0,194
Écart entre enseignants0,185 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueWIT transactions on ecology and the environmentMême sujetWater Treatment and DisinfectionTravaux en français237 207